Converged Reconfigurable Intelligent Surface and Mobile Edge Computing for Space Information Networks
空间信息网络（SIN）面临着地面、空中和空间通信一体化的发展，对高速、大容量、无缝数据传输的需求日益增长。然而，这对集成SIN的体系结构设计提出了新的范式。最近，可重构智能表面（RISs）和移动边缘计算（MEC）是最有前途的技术，旨在通过重新配置无线传播环境和卸载来提高通信和计算能力。因此，在SIN中融合RISs和MEC正在成为一种努力，以获得计算和通信的双重好处。在这篇文章中，我们提出了一个RIS辅助协作MEC的SIN架构，并讨论其实现。然后，我们提出了它的潜在好处，主要挑战和可行的应用。随后，我们研究不同的情况下，以评估系统的数据率和延迟。最后，我们总结了在这一研究领域的开放问题的列表。
2021-06-08 cs.NI eess.SP
Intelligent Reflecting Surface Aided Wireless Energy Transfer and Mobile Edge Computing for Public Transport Vehicles
在即将到来的6 G时代，未来公共交通工具（F-PTV），如公共汽车，火车等，将被设计为满足通勤者的通信需求，这些通勤者将携带众多智能设备（智能手机，电子频段等）。这些电池供电的设备需要频繁充电。由于充电设施在通勤时不容易获得，我们设想F-PTV将通过车载接入点通过无线能量传输（WET）提供车载充电。F-PTV还将在内部涂覆智能反射表面（IRS），将入射无线电波反射到预期设备，以提高接收器的信号强度，用于信息和能量传输。F-PTV还将配备移动边缘计算（MEC）服务器，以实现多种目的，包括减少设备的任务完成延迟和提供车载云服务。MEC服务器卸载还将减轻智能设备处理器的密集任务，以节省电池电量。文中还讨论了F-PTV中IRS辅助的MEC-WET集成模型所面临的挑战。我们提出的模拟，以显示这种模型的有效性F-PTV。
2021-02-17 cs.NI
Admission Control with Reconfigurable Intelligent Surfaces for 6G Mobile Edge Computing
针对6G网络中RIS与MEC增强下的用户准入控制难题，提出基于角度过滤、优先级队列和用户分组的优化框架，在高负载下实现高优先级eURLLC服务超90%准入率。
2025-04-20 cs.NI
Intelligent Sensing Scheduling for Mobile Target Tracking Wireless Sensor Networks
边缘计算已经成为一种有前景的范例，以满足移动目标跟踪无线传感器网络（MTT-WSN）不断增长的计算需求。这种模式可以将时间敏感的任务卸载到汇聚节点，以提高计算效率。然而，这是很难执行动态和关键任务的MTT-WSN网络。此外，由于能量有限，网络无法确保连续跟踪。针对这些问题，提出了一种基于边缘智能（EI）技术的分层目标跟踪结构。该结构集成了移动节点和边缘服务器的计算资源，为实时目标跟踪提供高效的计算能力。在此基础上，提出了一个以系统执行延迟和轨迹预测精度为约束的能量优化模型。此外，我们提出了一个长期的动态资源分配算法，以获得最佳的资源分配解决方案的准确和连续的跟踪。仿真结果表明，我们的算法在系统能耗方面优于深度Q学习14.5%以上。与非合作方案相比，该方案在跟踪精度上也有明显的提高。
2021-08-04 cs.NI
Multiple Criteria Clustering of Mobile Agents in WSN
在无线传感器网络中，成百上千个传感器节点的数据融合是一项非常复杂的任务。最近，移动代理已被提出用于传感器网络中的有效数据分发。在传统的基于客户端/服务器的计算架构中，数据从多个源收集并转发到目的地以进行进一步处理。它需要高带宽，而在移动代理是一个任务特定的可执行代码遍历到相关的源收集数据。它减少了通信开销，降低了成本，带宽低。代理具有为多个应用程序执行任务的能力。它只向目的节点发送有用的信息。问题是将相似的移动代理分组到多个集群中，使得每个集群在响应一组节点时具有相似性。通过对智能移动代理进行聚类，可以减少每个代理的时间成本，减少对网络的一组所需任务的需求，减少总的访问次数。在本文中，我们提出了移动代理（MCCMA）的多标准聚类的问题，其中的决定是集群移动代理，使一组类似的智能移动代理将访问一组类似的传感器节点。
2012-07-13 cs.NI
Managing Congestion Control in Mobile AD-HOC Network Using Mobile Agents
在移动自组织网络中，拥塞发生在有限的资源。标准TCP拥塞控制机制不能处理共享无线信道的特殊属性。TCP拥塞控制在Internet上工作得很好。但移动自组网具有一些独特的特性，这些特性对协议和协议栈的设计，特别是拥塞控制机制的设计有很大的影响。事实证明，移动adhoc网络中的巨大差异环境对标准TCP来说是非常有问题的。已经提出了许多方法来克服这些困难。提出了一种基于移动代理的拥塞控制技术来解决adhoc网络中的拥塞问题。当移动代理在网络中移动时，它可以选择一个负载较小的邻居节点作为它的下一跳，并根据节点的拥塞状态更新路由表。在移动代理的帮助下，节点可以及时获得动态的网络拓扑。提出了一种基于移动代理的拥塞控制机制。
2014-01-20 cs.NI
An Intelligent Mobile-Agent Based Scalable Network Management Architecture for Large-Scale Enterprise System
为了解决集中式网络管理模型（SNMP或CMIP管理模型）的可扩展性和灵活性问题，近年来提出了几种基于移动Agent的分布式网络管理模型。虽然使用移动代理来分配和委托管理任务来方便地处理前面提到的问题，许多基于代理的管理框架，如初始平台模型和静态中层管理人员采用移动代理模型不能有效地满足当前网络的需求，这是在规模和复杂性不断增长。此外，各种技术，如SONET、ATM、以太网、DWDM等，存在于网络的接入、城域网和核心（长途）部分的不同层，在它们自己的成帧和协议结构方面增加了复杂性。因此，控制和管理这些网络中的流量是一项具有挑战性的任务。针对上述问题，提出了一种基于智能可扩展层次代理的大规模复杂网络管理模型。提出了成本估算，以期计算管理数据开销方面的总体管理成本。此后获得的结果建立所提出的架构相比，集中式和平床代理模型的有用性。
2012-02-09 cs.DC cs.MA cs.NI
Under Water Waste Cleaning by Mobile Edge Computing and Intelligent Image Processing Based Robotic Fish
由于水污染是对水下资源的严重威胁，我们致力于保护水下植物和物种的资源，通过清洁水中的不可生物降解的废物。废物可以回收再利用。本文设计的机器鱼主要由光学传感器、摄像模块、活塞模块和无线收发模块组成。通过利用LTE和5G网络架构，鱼将有关水下垃圾的信息存储在最近的移动边缘计算服务器以及集中式云服务器中。最后，当鱼清除水下废物时，它将捕获的定位对象的图像卸载到移动边缘计算服务器或有时卸载到云服务器以做出决定。服务器采用智能图像处理技术和自适应学习过程来做出决定。然而，如果服务器无法做出决定，那么鱼就会利用其光学生物传感器。通过该方案，用于清理任何水体的时间延迟被最小化，并且鱼的废物收集能力被最大化。该技术可以有效地帮助政府或市政人员在没有人工的情况下制造清洁水。
2020-08-31 cs.DC cs.NI eess.SP
A Survey on Intelligent Computation Offloading and Pricing Strategy in UAV-Enabled MEC Network: Challenges and Research Directions
移动网络运营商（MNO）必须选择如何将移动终端（MD）查询委托给其移动边缘计算（MEC）服务器，以便最大化具有不同延迟需求的已接纳请求的总体益处。无人机和人工智能由于其部署的灵活性、无人机的高机动性和人工智能算法的高效性，可以提高MNO的性能。MD产生的成本与MNO获得的利润之间存在权衡。另一方面，将智能计算卸载到支持UAV的MEC是一种有前途的方式，可以弥合MD有限的处理资源以及用于UAV-MEC网络中的计算卸载的智能算法与即将到来的应用的高计算需求之间的差距。这项研究着眼于一些研究的好处，计算卸载过程中的无人机MEC网络，以及智能模型，用于计算卸载。此外，本文还探讨了几种智能定价技术在不同结构的无人机MEC网络。最后，本文重点介绍了一些重要的开放式研究问题和未来的研究方向，人工智能（AI）在计算卸载和应用智能定价策略的无人机MEC网络。
2022-08-22 cs.DC cs.NI
The Interplay of Reconfigurable Intelligent Surfaces and Mobile Edge Computing in Future Wireless Networks: A Win-Win Strategy to 6G
可重构智能表面（RIS）授权通信被认为是第六代（6G）无线网络的使能技术。RIS辅助通信的关键思想是增强现代无线网络的容量、覆盖范围、能源效率、物理层安全性和许多其他方面。与此同时，移动边缘计算（MEC）已经通过将独立云服务器的计算、通信和缓存功能扩展到网络边缘来展示其巨大的潜力。在本文中，我们首先概述了MEC和RIS如何相互受益。我们设想MEC和RIS的集成将为无线网络的未来发展带来前所未有的转变。我们提供了一个系统级的观点，MEC辅助RIS（和RIS辅助MEC），将无线网络向6G发展。我们还概述了一些基本的挑战，涉及到MEC辅助RIS（和RIS辅助MEC）网络的实施。最后，讨论了RIS辅助MEC的关键研究方向。
2021-05-13 cs.ET cs.IT cs.NI
Deep Learning-based Intelligent Dual Connectivity for Mobility Management in Dense Network
超密集网络部署已被提出作为实现第五代（5G）移动通信系统中的容量目标的关键技术。然而，较小小区的部署不可避免地导致更频繁的切换，从而使移动性管理更具挑战性，并降低了密集网络部署所提供的容量增益。为了在这样的网络环境中充分收获移动用户的收益，我们提出了一种智能双连接机制，通过基于深度学习的移动性预测进行移动性管理。我们首先使用深度学习算法之一的LSTM（长短期记忆）算法，从每个用户设备（UE）的历史轨迹中学习其移动模式，并预测其未来的移动趋势。基于相应的预测结果，网络将判断UE是否需要切换。对于切换情况，将为相关UE建立双连接。因此，UE可以在切换过程中从两个基站获得无线电信号。仿真结果表明，所提出的智能双连接机制在保证网络能量效率的同时，能够显著提高移动用户在切换过程中的服务质量。
2018-05-30 cs.NI
Energy-Latency Aware Intelligent Reflecting Surface Aided Multi-cell Mobile Edge Computing
本文研究IRS辅助多小区MEC中的能量与时延联合优化问题，提出基于BCD的迭代算法联合优化计算资源、波束成形和IRS相移，并通过数值实验验证其优于基准方案。
2025-06-04 cs.NI
Mobile Reconfigurable Intelligent Surfaces for NOMA Networks: Federated Learning Approaches
提出了一种新的可重构智能表面（RIS）增强型室内无线网络框架，其中一个RIS安装在机器人上调用，使移动的RIS和提高移动用户的服务质量。同时，采用非正交多址（NOMA）技术以进一步提高频谱效率，因为RISs能够为NOMA提供人工控制的信道条件，这可以被视为获得NOMA增益的有利操作条件。为了优化所有用户的总速率，调用深度确定性策略梯度（DDPG）算法来优化移动RIS的部署和相移以及功率分配策略。为了提高DDPG智能体训练的效率和有效性，采用了联邦学习（FL）的概念，使多个智能体能够同时探索相似的环境并交流经验.我们还证明了在相同的随机探索策略下，FL武装深度强化学习（DRL）代理理论上可以获得与独立代理相比的奖励增益。我们的仿真结果表明，移动RIS方案可以显着优于固定RIS范式，它提供了约三倍的数据率增益相比，固定RIS范式。此外，NOMA方案能够在和速率方面实现与OMA方案相比42%的增益。最后通过多小区仿真验证了FL增强DDPG算法比独立训练框架具有更优的收敛速度和优化性能。
2021-03-20 cs.NI cs.SY eess.SY
Domain-partitioned element management systems employing mobile agents for distributed network management
基于移动代理的网络管理系统是一种比典型的基于客户机/服务器的体系结构更好的选择。基于SNMP或CMIP的管理模型等集中式管理模型存在可扩展性和灵活性问题，这些问题在很大程度上由基于移动代理的平台或静态中级管理器模型解决，然而，对于上述基于代理的管理框架，如初始平台模型和静态中间模型，级别管理人员无法有效地满足当前网络规模和复杂性不断增长的需求。针对上述局限性，本文提出了一种基于移动代理和网元管理系统的分域网络管理模型，以最小化集中式服务器的管理数据流。分配给特定EMS的智能代理执行本地网络管理，并将结果报告给上级管理员，最后全局管理员使用提交的管理结果执行全局网络管理。实验结果的各种情况下，所提出的模型已被提出来支持的论点，有利于基于移动代理的原型系统。
2014-07-22 cs.NI
Artificial Intelligence Powered Mobile Networks: From Cognition to Decision
移动网络（MN）有望提供前所未有的机会，以实现一个全新的互联体验世界，并从根本上改变人们与一切事物的交互方式。MN正变得越来越复杂，由日益复杂的配置问题和蓬勃发展的新服务需求驱动。这种复杂性对部署、管理、操作、优化和维护提出了重大挑战，因为它们需要对MN的全面理解和认知。人工智能（Artificial Intelligence，AI）是一种在计算机中模拟智能行为的技术，它在许多应用领域都取得了巨大的成功，这表明了它在认知MN状态和做出智能决策方面的潜力。在本文中，我们首先提出了一个AI驱动的移动网络架构，并讨论了认知复杂性，高维动作空间决策以及自适应系统动态方面的挑战。然后，讨论了与AI相关的潜在解决方案。最后，我们提出了一个深度学习的方法，直接映射MN的状态感知QoS，认知与决策相结合。我们提出的方法可以帮助运营商做出更明智的决策，以保证QoS。同时，我们所提出的方法的有效性和优势，证明了在现实世界的数据集，涉及$31261$用户在$5$天内的$77$站。
2021-12-08 cs.NI
Acquisition and use of knowledge over a restricted domain by intelligent agents
Mackenzie University（麦肯齐大学）；Fluminense Federal University（弗鲁米嫩塞联邦大学）
这篇简短的论文提供了一个架构的描述，以获取和使用知识的智能代理在互联网基础设施的一个有限的域。拟议的体系结构被添加到智能代理部署模型中，该模型通过一个非常有用的服务器为互联网自治系统管理员提供服务。这种服务器严重依赖于人类的任意和最终更新，变得不可靠。这是一份立场文件，提出了三个仍在进行中的研究问题。
2018-05-06 cs.AI cs.MA cs.NI
A First Look at Mobile Intelligence: Architecture, Experimentation and Challenges
人工智能（AI）技术使移动设备成为能够自动学习和行动的智能对象。虽然人工智能将为移动应用程序带来巨大的机会，但很少有工作集中在架构和与云的交互上。本文详细介绍了移动智能的三种体系结构，并介绍了其广阔的应用前景。此外，我们进行了一系列的实验，以评估流行的商业应用程序和智能框架的性能。我们的研究结果表明，体验质量（QoE）的要求和现状之间有很大的差距。到目前为止，我们只看到了冰山一角。我们提出了问题和挑战，以推进移动智能领域，并希望为即将到来的铺平道路。
2018-07-12 cs.CY cs.NI
Intelligent Mobile AI-Generated Content Services via Interactive Prompt Engineering and Dynamic Service Provisioning
College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）；Western University（西安大略大学）；College of Information and Communication Engineering, Sungkyunkwan University（成均馆大学信息与通信工程学院）；University of Hong Kong（香港大学）
针对移动AIGC中提示质量差与静态资源配置低效问题，提出交互式LLM/IRL提示工程及D3PG动态服务供给算法，显著提升生成成功率与用户体验。
2025-02-17 cs.LG cs.NI
Computational Analysis of .NET Remoting and Mobile agent in Distributed Environment
移动代理是一个程序，它不绑定到它开始执行的系统，而是在网络中的主机之间旅行，其代码和当前执行状态分布式应用的实现可以基于多种技术，例如普通套接字、远程过程调用（RPC）、远程方法调用（RMI）、Java消息服务（JMS）、.NET远程处理或Web服务。这些技术在复杂性、互操作性、标准化和易用性方面存在很大差异。移动Agent技术正在成为构建智能一代高度分布式系统的替代方案。在这项工作中，我们调查的性能方面的代理为基础的技术信息检索。我们提出了一个比较性能评估模型的移动代理与.Net远程的分析方法。在这项研究工作中，使用通信时间，代码大小（代理代码），数据大小，节点数量作为性能参数进行定量测量，以比较.Net远程和移动代理。结果表明，与.Net remoting范式相比，Mobile Agent范式具有更高的性能，计算速度更快;通过本地调用代替远程调用，降低了网络带宽，降低了调用成本。
2010-06-23 cs.NI
Massive Access of Static and Mobile Users via Reconfigurable Intelligent Surfaces: Protocol Design and Performance Analysis
本文提出了一种由多个可重构智能表面（RISs）辅助的下一代多址接入（NGMA）方案与MAC协议，兼顾静态与移动用户，仿真表明其在系统吞吐量和接入公平性上优于基准并揭示了两者间的权衡关系。
2023-09-12 cs.NI eess.SP
Greedy routing on networks of mobile agents
在本文中，我们设计了一个贪婪的移动代理网络路由。在贪婪路由算法中，代理$i$中的每一个时间步长的分组被递送到代理$j$，该代理$j$在代理$i$的搜索邻居中距目的地的距离最短。基于贪婪路由，我们研究了移动代理网络中的流量动态和流量驱动的传染病传播。我们发现，网络的传输能力和流行阈值的通信半径增加。在中等移动速度下，网络的传输能力最高，且流行阈值保持较大值。这些结果可以帮助控制移动网络上的流量拥塞和流行病传播。
2011-12-20 cs.NI physics.data-an
Intelligent Software Web Agents: A Gap Analysis
Institute for Information Systems and New Media, Vienna University of Economics and Business（维也纳经济与商业大学信息系统与新媒体研究所）
语义Web技术已经显示出其有效性，特别是在知识表示、推理和数据集成方面。然而，原始的语义Web愿景，即机器可读的Web数据可以自动采取行动的智能软件Web代理，尚未实现。为了更好地了解现有的技术机遇和挑战，在本文中，我们研究智能软件网络代理方面的现状，指导研究方面的需求和架构组件，来自代理社区。我们使用确定的需求，进一步阐述语义网代理激励用例场景，并总结不同的角度对语义网代理文献的要求。随后，我们提出了一个混合的语义Web代理体系结构，并使用各种组件和子组件，以提供一个集中的讨论，现有的语义Web标准和社群活动。最后，我们强调开放的研究机会和挑战，并采取更广泛的研究视角，讨论智能软件网络代理作为新兴领域，如数字助理，云计算，物联网的使能技术的潜力。
2021-09-24 cs.AI cs.MA cs.NI
Scaling Mobile Agent Systems: From Capability Density to Collective Intelligence
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文提出通过紧凑基础模型设计与压缩提升单个代理能力密度，并通过通信丰富的多代理协作实现集体智能，以解决移动代理系统的扩展性问题。
2026-04-29 cs.CL cs.DC cs.MA
Intelligent Reflective Surface vs. Mobile Relay-supported NLoS Avoidance in Indoor mmWave Networks
第六代无线通信（6G）被设想为产生用于改善端到端通信性能的各种技术，其中通信被设想为利用毫米波（mmWave）频率和更高频率的无线信号。其中，这些技术包括智能反射表面（IRS）和移动中继（MR），其设想的作用包括减轻非视线（NLoS）连接的负面影响，特别是在毫米波和更高频率下。这些技术背后的核心思想是使用协作网络，其中源向中继器（在这种情况下为IRS或MR）发送信号，该信号在接收时被转发到目的地。当比较这两种技术时，重要的是要认识到IRS主要被设想为附着到环境中的各种对象（例如墙壁和家具）的静态实体。相比之下，MR将具有更高的自由度，因为它们将能够在环境中无缝定位。基于上述假设，我们推导出一种用于确定室内环境中IRS和MR的最佳位置的方法，即，最大化源和目的地之间的端到端链路质量的方法。接下来，我们捕获在室内毫米波通信中IRS和MR支持的NLoS避免的通信质量指标。我们的研究结果表明，从端到端的链路质量的角度来看，MR通常优于IRS，这表明其利用潜力的吞吐量优化的NLoS避免场景。
2022-07-14 cs.ET cs.NI eess.SP
Mobile Agent as an Approach to Improve QoS in Vehicular Ad Hoc Network
车辆交通是现代城市的首要问题。大量的时间和资源被浪费，而旅行由于交通拥堵。随着复杂的交通管理系统的引入，例如那些结合动态交通分配的交通管理系统，对可用的实时的交通数据提出了更严格的要求。在本文中，我们提出了移动代理作为一种机制来处理道路上的交通问题。移动软件代理可以在车载自组网中提供更好的服务质量（服务质量），提高应用的安全性和驾驶员的舒适性。
2011-08-10 cs.NI cs.SI
Mobile Edge Intelligence and Computing for the Internet of Vehicles
车联网（IoV）是一种新兴的模式，由车辆通信和网络的最新进展驱动。研究的进步现在可以通过车辆到车辆通信在车辆之间提供可靠的通信链路，以及通过车辆到基础设施通信在车辆和路边基础设施之间提供可靠的通信链路。与此同时，车辆的能力和智能正在迅速增强，这将有可能支持大量新的令人兴奋的应用，这些应用将集成全自动驾驶汽车，物联网（IoT）和环境。这些趋势将带来智能车联网时代，这将严重依赖通信、计算和数据分析技术。为了存储和处理智能车联网产生的大量数据，车载处理和云计算将不足以分别由于资源/功率限制和通信开销/延迟。通过在无线网络边缘部署存储和计算资源，无线接入点，边缘信息系统（EIS），包括边缘缓存，边缘计算和边缘AI，将在未来智能车联网中发挥关键作用。这样的系统将不仅提供低延迟的内容交付和计算服务，而且还提供本地化的数据采集、聚合和处理。本文综述了智能车联网EIS的最新发展。主要设计问题，方法和硬件平台进行了介绍。特别是，说明了智能车辆的典型用例，包括边缘辅助感知，映射和定位。此外，各种开放的研究问题被确定。
2019-06-02 cs.NI eess.SP
JAM: The JavaScript Agent Machine for Distributed Computing and Simulation with reactive and mobile Multi-agent Systems -- A Technical Report
Univ. of Bremen（不来梅大学）；Institute for Digitization（数字化研究所）
基于Agent的建模（ABM）、仿真（ABS）和分布式计算（ABC）是已建立的方法。互联网和基于网络的技术是适当的载体。本文是一份技术报告，介绍了JavaScript Agent Machine（JAM）平台和使用AgentJS进行代理编程的一些教程方面，AgentJS是广泛使用的JavaScript程序设计语言的一个子集，用于基于移动状态的反应式代理的编程。除了解释特定的设计选择的动机，并介绍了核心概念的架构和编程的代理在JavaScript，简短的例子说明了强大的JAM平台和它的组件部署在强大的异构环境，如互联网的大规模多代理系统。JAM适用于强异构和移动环境中的部署。最后，JAM可以在统一的方法中用于ABC和ABS，最终实现移动人群感知与模拟（ABS）的耦合。
2022-07-22 cs.AI cs.DC cs.HC
